Kontakt aufnehmen
 Dauer 21 Stunden

Schulungsübersicht

Einführung in das Robot-Lernen

  • Überblick über maschinelles Lernen in der Robotik
  • Überwachtes Lernen vs. unüberwachtes Lernen vs. Reinforcement Learning
  • Anwendungen von RL in Regelung, Navigation und Manipulation

Grundlagen des Reinforcement Learnings

  • Markovsche Entscheidungsprozesse (MDP)
  • Policy-, Wert- und Belohnungsfunktionen
  • Kompromisse zwischen Exploration und Exploitation

Klassische RL-Algorithmen

  • Q-Learning und SARSA
  • Monte-Carlo- und zeitdifferenzierende Methoden
  • Wertiteration und Policy-Iteration

Techniken des Deep Reinforcement Learnings

  • Kombination von Deep Learning und RL (Deep Q-Networks)
  • Policy-Gradient-Methoden
  • Fortgeschrittene Algorithmen: A3C, DDPG und PPO

Simulationsumgebungen für das Robot-Lernen

  • Verwendung von OpenAI Gym und ROS 2 für Simulationen
  • Erstellung benutzerdefinierter Umgebungen für robotische Aufgaben
  • Bewertung der Leistungsfähigkeit und der Trainingsstabilität

Anwendung von RL in der Robotik

  • Lernen von Steuerungs- und Bewegungspolicies
  • Reinforcement Learning für robotische Manipulation
  • Mehragenten-Reinforcement-Learning in Schwarmrobotik

Optimierung, Bereitstellung und Integration in der Praxis

  • Anpassung von Hyperparametern und Reward Shaping
  • Übertragung gelernter Policies von der Simulation in die Realität (Sim2Real)
  • Bereitstellung trainierter Modelle auf robotischer Hardware

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlegendes Verständnis von Konzepten des maschinellen Lernens
  • Erfahrung in der Python-Programmierung
  • Kenntnisse in Robotik und Regelungstechnik

Zielgruppe

  • ML-Ingenieure
  • Roboterforscher
  • Entwickler intelligenter robotischer Systeme

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien